다변량 신호기반 저지연 딥러닝 알고리즘을 이용한 플럭스 코어드 아크 용접 모니터링

Abstract

용접부의 가공 및 절단 시 발생하는 노치 등의 외부 요인은 맞대기 용접에서 용접부 사이의 초층 갭을 일정하지 않게 변화시킨다. 용접의 자동화를 위해 현장에 적용중인 자동 용접 장치는 초층 갭의 불규칙한 변화에 대응하여 용접을 수행하기 어렵다. 이러한 문제를 해결하기 위해 용접 공정 모니터링 기술이 요구된다. 용접 공정 모니터링은 주로 비전 센서를 통해 획득한 용접부 이미지를 이용하여 수행되었다. 하지만, 플럭스 코어드 아크 용접 (flux-cored arc welding, FCAW) 공정에서는 플럭스로 인해 발생한 대량의 흄이 비전 센서의 시야를 가리기 때문에 비전 센서를 이용한 용접부 이미지의 확보가 어렵다. 그러므로 초층 갭의 변화를 비전센서 없이 모니터링할 수 있는 기법이 요구된다. 본 연구에서는, 플럭스 코어드 아크가 이용된 맞대기 초층 용접의 자동화를 위해서 전류 및 전압 신호만 사용하여 초층 갭의 불규칙한 변화를 감지하는 딥러닝 알고리즘 기반 실시간 용접 모니터링 기법이 연구되었다. 용접장치를 실시간으로 피드백 제어하기 위해서는 모니터링 과정에서의 시간 지연 (time delay)이 최소화되어야 한다. 모니터링 과정에서의 시간 지연을 줄이기 위해 ROCKET (random convolutional kernel transform) 알고리즘이 사용되었다. 제안된 모니터링 기법의 강건성 및 정확도를 향상시키기 위해 용접 중에 계측된 전류, 전압 신호는 다변량 (multivariate) 형태로 학습에 이용되었다. 이 기법은 우수한 정확도와 빠른 속도로 갭의 분류를 수행하였다. 제안된 모니터링 기법과 기존 용접 모니터링에 사용되는 심층신경망 (deep neural network, DNN), 합성곱 신경망 (convolutional neural network, CNN)의 분류 정확도 및 연산 시간이 비교되었다. 그 결과, 제안된 모니터링 기법이 가장 빠른 0.399 s의 연산 시간과 가장 높은 96.2%의 분류 정확도를 보였다. |External factors such as notches generated during machining and cutting of welds change the root gap between weldments in butt welding inconsistently. The automatic welding device being applied to the field for welding automation is difficult to perform welding in response to irregular changes in the root gap. In order to solve this problem, welding process monitoring technology is required. Welding process monitoring was mainly performed using the welding part image acquired through the vision sensor. However, in the flux-cored arc welding (FCAW) process, it is difficult to obtain an image of a welded part using the vision sensor because a large amount of fumes generated by the flux block the vision of sensor. Therefore, a technique capable of monitoring the change of the root gap without a vision sensor is required. In this study, a real-time welding monitoring technique based on a deep learning algorithm that detects inconsistent changes in the root gap was studied for the automation of butt welding using a flux-cored arc. To feedback-control the welding machines by monitoring the change of the gap in real time, a time delay in the monitoring process should be minimized. A random convolutional kernel transform (ROCKET) algorithm was used to reduce the time delay of gap monitoring. To improve the robustness and accuracy of the proposed monitoring technique, the current and voltage signals measured during welding were used for learning in a multivariate form. This approach performed gap classification for monitoring with excellent accuracy and high speed, and when comparing the performance with the deep neural network (DNN) and convolutional neural network (CNN) algorithms used in the existing welding monitoring, the fastest calculation time of 0.399 s and the highest accuracy of 96.2% were achieved.